免费工具 转化率计算器
输入访客数和转化数，得到转化率和置信区间。再填一组数据就能对比两个版本，看看差异是不是噪音。
- 转化率与 95% 置信区间
- A/B 双比例 z 检验
- 本地运行
填入访客与转化
两组用同一口径：同样的访客定义（人，不是浏览量）和同样的转化事件。
A 组
对照组转化率
21.2%
±1.6 pp · 95% 置信区间
B 组
实验组 · 可选转化率
24.0%
±1.7 pp · 95% 置信区间
A 对比 B
双比例 z 检验，合并方差，双尾。p < 0.05 视为显著。
检验假设每个访客只计一次，且两组是随机分配的。它不回答这个提升对业务是否重要。
输入数字前先定三件事
算术是瞬间的事，把输入定义对才是功夫。
-
1
谁算访客
有机会转化的独立访客——不是浏览量，建议先剔除机器人。示例里是 2,400 个看过商品的人，而不是全站 48,213 个访客。
-
2
什么算转化
一个事件，每个访客只算一次：一笔支付、一次表单提交、一次完成注册。示例用的是 508 笔支付订单。
-
3
时间窗口保持一致
两组覆盖同样的日期。周末跑的实验组和工作日跑的对照组没有可比性。
比率、区间与检验
只看比率看不出它基于多少人。置信区间把样本量放回来，z 检验则回答两个区间是否真的不同。
- 转化率 = 转化数 ÷ 访客数
- 区间宽度随样本量的平方根缩小——流量翻四倍，宽度减半
- z 检验把两组合并，估计「没有差异」假设下的方差
- p < 0.05 表示这么大的差异靠运气出现的概率不到二十分之一
转化率
p = 转化数 ÷ 访客数
示例：508 ÷ 2,400 = 21.2%
95% 置信区间（Wald）
p ± 1.96 × √( p (1 − p) ÷ n )
示例：21.2% ± 1.6 pp → 19.5% 到 22.8%
双比例 z 检验
z = (p₂ − p₁) ÷ √( p̄ (1 − p̄) (1/n₁ + 1/n₂) ), p̄ = (x₁ + x₂) ÷ (n₁ + n₂)
示例：z = 2.33，p = 0.020 → 在 5% 水平上显著
「正常」的转化率长什么样
仅为示例范围——随行业、流量来源和转化定义的严格程度变化很大。用来判断数字是否离谱，不要当目标。
| 目标 | 示例范围 | 常见访客定义 | 影响最大的因素 |
|---|---|---|---|
| 电商下单 | 1% – 4% | 看过商品的会话 | 运费、结账步骤、回头客占比 |
| SaaS 注册 → 付费 | 2% – 8% | 完成注册的账号 | 首次价值时间、引导流程、定价清晰度 |
| 落地页留资 | 5% – 15% | 落地页会话 | 表单长度、优惠、流量意图 |
| 内容订阅 | 0.5% – 3% | 文章阅读者 | 入口位置、提示频率 |
| 客服邀请 → 对话 | 3% – 10% | 看到主动邀请的访客 | 时机、页面、话术相关性 |
示例范围，不是行业基准。同一个网站上，付费搜索落地页和博客文章的转化率可以相差十倍。
转化率是怎么算错的
大多数关于转化率的争论，其实是关于分母的争论。
用浏览量做分母
一个人刷新五次就变成五次转化机会。要数访客，不是浏览量。
机器人没有剔除
爬虫永远不会转化。留在分母里会拉低比率，让活动看起来比实际差。
实验提前停止
每天看一眼、第一次 p < 0.05 就停，会大幅增加假阳性。先定好样本量或时长。
时间窗口不同
促销周的比率对比平常周的比率，衡量的是促销，不是你做的改动。
计算器用的是哪种显著性检验？
合并方差的双比例 z 检验，双尾，5% 水平。这是样本量足够时比较两个转化率的标准方法。
需要多少访客？
取决于基线转化率和你想检测的提升幅度。粗略地说，在 20% 的基线上检测 10% 的相对提升，每组需要几千访客；更小的提升需要多得多。
「不显著」是什么意思？
观察到的差异有可能是偶然。它不代表两个版本一样，只代表你还没有证明它们不同。
为什么和我的统计工具算的不一样？
通常是分母：会话还是访客、机器人有没有剔除、转化事件是否每人只算一次。先对齐定义再比较。